缺少对特征相关性的考虑.最近，深度学习也被广泛用于人体行为识别.文[15]首先提出了利用 卷积神经网络和递归神经网络分别提取空间域和时间域的特征的方法，其次使用长短期记忆网络模 型基于所提特征进行行为识别建模和分类.结果表明，该方法实现93.7%的识别精度.文[16]首先利 用递归框架从传感器数据中提取局部特征，然后使用长短期记忆网络模型识别人体行为，虽然深度 学习模型在特征提取方面有很大的优势，但其也有两个主要缺点：建模时间过长和需要大样本集 而智能手机资源(CPU,内存)的有限性使得基于智能手机进行人体行为识别建模的模型必须满足结构 紧致，模型轻量和建模速度快等特性，因此，深度学习不适合此类研究 近年来，Wang等提出一种具有建模速度快、实现简单和结构紧致等特点的单隐层前馈神经网 络随机学习方法.即：随机配置网络(Stochastic configuration networks,.SCNs.SCNs作为一种增量 式构建网络的学习模型，其首先在一个动态可调区间内根据不等式监督机制随机分配隐含层节点参 数：然后，利用全局最小二乘来计算网络输出权值.这种网络构建方法不仅保证了网络模型的无限 逼近性还减少了人为干预和增加了模型结构的紧致性.因此，可以说SCN酚种轻量模型.目前， SCNs已经被应用到赤铁矿磨矿过程1、光纤预警等众多领域.但SCNs在隐层节点过多时容易 出现过拟合现象，极大地降低SCNs的泛化性，进而影响SCNs的实际应 综上，针对上述问题，本文从以下两个创新点出发进行人体行为识别的研究： )针对原始人体行为特征集维数过高且可分性差，不利于建文轻量型以体行为识别模型问题 本文提出基于近邻成分分析Neighbourhood Component Analysis,N)的特征选择技术对原始的人体 行为识别特征集进行高相关性特征选择，提高特征集的可分性和降低特征集的维数，进而提高行为 识别模型建模计算过程的轻量性： 2)针对随机配置网络隐含层节点过多时会导致模型过拟合问题.使用L2正则化优化模型结构， 进而增强SCNs模型的泛化性和轻量性 本文中所提的HAR学习模型流程图如图1所示史， 采集的数据需由归一化后进行特征提取， 以去除噪声的不利影响：进而利用NCA选择高相关性最优特征子集：最后采用Lz-SCNs建立HAR 模型 录璃件 L-SCNs model Triaxial acceleration Te过ing se sensor Gyroscope sensor Data Normalization and collection Feature extraction 图1NCA-L2-SCNs模型的HAR流程图 Fig.1 HAR flow chart of NCA-L2-SCNs model 1NCA-L2-SCNs人体行为识别模型 1.1基于NCA的行为特性选择缺少对特征相关性的考虑. 最近，深度学习也被广泛用于人体行为识别[13-14] . 文[15]首先提出了利用 卷积神经网络和递归神经网络分别提取空间域和时间域的特征的方法，其次使用长短期记忆网络模 型基于所提特征进行行为识别建模和分类. 结果表明，该方法实现 93.7%的识别精度. 文[16]首先利 用递归框架从传感器数据中提取局部特征，然后使用长短期记忆网络模型识别人体行为. 虽然深度 学习模型在特征提取方面有很大的优势，但其也有两个主要缺点：建模时间过长和需要大样本集. 而智能手机资源(CPU, 内存)的有限性使得基于智能手机进行人体行为识别建模的模型必须满足结构 紧致，模型轻量和建模速度快等特性，因此，深度学习不适合此类研究. 近年来，Wang 等提出一种具有建模速度快、实现简单和结构紧致等特点的单隐层前馈神经网 络随机学习方法. 即：随机配置网络[17](Stochastic configuration networks, SCNs). SCNs 作为一种增量 式构建网络的学习模型，其首先在一个动态可调区间内根据不等式监督机制随机分配隐含层节点参 数；然后，利用全局最小二乘来计算网络输出权值. 这种网络构建方法不仅保证了网络模型的无限 逼近性还减少了人为干预和增加了模型结构的紧致性. 因此，可以说 SCNs 是一种轻量模型. 目前， SCNs 已经被应用到赤铁矿磨矿过程[18]、光纤预警[19]等众多领域. 但 SCNs 在隐含层节点过多时容易 出现过拟合现象，极大地降低 SCNs 的泛化性，进而影响 SCNs 的实际应用. 综上，针对上述问题，本文从以下两个创新点出发进行人体行为识别的研究： 1) 针对原始人体行为特征集维数过高且可分性差，不利于建立轻量型人体行为识别模型问题. 本文提出基于近邻成分分析(Neighbourhood Component Analysis, NCA)的特征选择技术对原始的人体 行为识别特征集进行高相关性特征选择，提高特征集的可分性和降低特征集的维数，进而提高行为 识别模型建模计算过程的轻量性； 2) 针对随机配置网络隐含层节点过多时会导致模型过拟合问题. 使用 L2正则化优化模型结构， 进而增强 SCNs 模型的泛化性和轻量性. 本文中所提的 HAR 学习模型流程图如图 1 所示. 其中，采集的数据需由归一化后进行特征提取， 以去除噪声的不利影响；进而利用 NCA 选择高相关性最优特征子集；最后采用 L2-SCNs 建立 HAR 模型. Normalization and Feature extraction Testing set Training set Data collection Triaxial acceleration sensor Gyroscope sensor L2-SCNs model NCA Feature select 图 1 NCA-L2-SCNs 模型的 HAR 流程图 Fig. 1 HAR flow chart of NCA-L2-SCNs model 1 NCA-L2-SCNs 人体行为识别模型 1.1 基于 NCA 的行为特性选择 录用稿件，非最终出版稿